提出了一种新颖的富上下文条件扩散模型 (RCDMs)，旨在增强故事生成的语义一致性和时间一致性，通过在第一阶段使用先验帧转换扩散模型来预测未知片段的帧语义嵌入，通过在第二阶段将富上下文条件注入图像和特征级别来生成一致的故事。

Jul, 2024

CGRclust 是一种结合了无监督孪生对比聚类和卷积神经网络的创新方法，用于 DNA 序列的图像分类聚类，能够准确地对各种 DNA 序列数据集进行聚类，并在 18.70% 的准确性上超过其他三种 DNA 序列聚类方法。

Jul, 2024

RICHES 是一种新颖的方法，通过在检索和序列生成任务中交替进行，消除了传统 RAG 系统中分离的检索器和生成器的需求，通过编码内容直接检索文档并在语料库上进行约束。统一检索与生成使我们能够仅通过提示适应多样化的新任务，而不需要额外的训练。RICHES 可以与任何经过调整的模型一起使用，提供属性证据，支持多跳检索，并在单个解码步骤中交错思考来规划下一步的检索，我们展示了 RICHES 在包括属性和多跳 QA 在内的 ODQA 任务中的强大性能。

Jun, 2024

单目人体姿态估计（HPE）是从相机捕捉的单个 2D 图像中确定人体关节的 3D 位置。本研究提出了一种 EPOCH 框架，利用完整的透视相机模型进行姿态估计，并通过无监督学习得到比现有方法更好的泛化性能和最先进的结果。

Jun, 2024

利用变分推断学习参数化分析映射，通过估计条件分布对于动态系统的滤波分布，在过滤线性和非线性动态系统中也适用。

Jun, 2024

该综述论文总结了流行的无监督学习方法，并概述了这些方法在天文学中的过去、现在和未来的应用。无监督学习通过组织数据集的信息内容，以便能够提取知识。传统上，这是通过降维技术的实现，如主成分分析或使用自编码器，或者通过高维空间的简化可视化，例如使用自组织映射等。无监督学习的其他可取属性包括识别集群，即类似对象的组群，这传统上是通过 k 均值算法或最近通过密度聚类如 HDBSCAN 实现的。最近，出现了将降维和聚类方法链结在一起的复杂框架。然而，现在没有数据集是完全未知的。因此，目前有很多研究致力于自监督和半监督方法，它们既受益于有监督学习又受益于无监督学习。

Jun, 2024

GANs 的统计一致性研究：通过导出有限样本集中不等式，扩展了 $(f,\Gamma)$-GANs 理论的适用领域，同时在适当的极限情况下，与基于积分概率度量的 GANs 结果相符，并展现出在多个应用中提供提升性能的能力。

Jun, 2024

我们提出了一种基于组合程序转换的方法，用于支持概率编程语言中的变分推断，该方法能够灵活地处理多个关键问题，包括自动微分、密度累积、跟踪和无偏梯度估计策略。此外，相比于现有的支持变分推断的概率编程语言，我们的设计在用户定义的目标、梯度估计策略和模型、变分族类别方面具有更高的表达能力。

Jun, 2024

通过最小化二阶 Wasserstein 损失（即 $W_2$ 损失），该论文处理无监督学习问题。论文证明了方式一通过分布相关的常微分方程（ODE）动力学的超限势潜力近似估计当前分布与真实数据分布之间的关系。主要结果显示 ODE 的时变边界概率收敛到真实数据分布。为了证明 ODE 具有唯一解，首先明确构造了与关联的非线性 Fokker-Planck 方程相关的解，并证明它与 $W_2$ 损失的唯一梯度流相吻合。基于此，通过 Trevisan 的叠加原理和指数收敛结果，构建了 ODE 的唯一解。该论文提出了一个分布相关 ODE 的欧拉方案，并在极限情况下正确恢复了 $W_2$ 损失的梯度流。通过遵循该方案和应用持久训练，设计了一个算法，其自然地适用于梯度流框架。在低维和高维实验中，我们的算法通过适当增加持久训练水平，比 Wasserstein 生成对抗网络收敛更快且性能更好。

Jun, 2024

在无监督学习中研究双重下降现象，通过使用欠完备的自编码器进行实验，发现双重下降现象存在于多个应用中，并对异常和领域转移进行检测和缓解，结果表明过参数化模型不仅在重构方面表现出更好的性能，还增强了下游任务的能力。

Jun, 2024